Le 28 octobre 2026, NVIDIA a publié Nemotron 3.5 Transcribe, un modèle vocal à poids ouverts qui réunit transcription, séparation des locuteurs, traduction et questions-réponses sur des enregistrements dans un seul modèle. Les développeurs téléchargent les poids, notamment via Hugging Face, puis utilisent des instructions en langage naturel pour transformer un même enregistrement en transcription verbatim, en texte nettoyé, en résumé ou en réponses à des questions, sans brancher un modèle différent pour chaque tâche.
Un modèle, quatre tâches
Nemotron 3.5 Transcribe prend en charge la transcription dans 40 langues, la traduction entre 31 langues et l'anglais, la séparation de huit locuteurs au maximum dans 13 langues, des enregistrements d'une heure au plus et des horodatages au niveau des mots. En changeant une seule instruction, la forme de sortie du même enregistrement change : transcription verbatim, texte nettoyé, compte rendu de réunion ou réponses sur le contenu. Les instructions peuvent aussi fixer la terminologie et le format des nombres, ce qui est utile dans les domaines riches en jargon comme la santé et la finance.
Il tourne sur un seul GPU, mais pour des enregistrements uniquement
Le modèle repose sur une architecture mixture-of-experts de 30 milliards de paramètres, dont environ 4 milliards sont activés à chaque inférence. Selon NVIDIA, il fonctionne sur un seul GPU, du Jetson AGX Thor et du DGX Spark aux puces Blackwell pour centres de données ; en précision NVFP4, une RTX PRO 6000 a traité 100 heures d'audio en moins de trois minutes, d'après les chiffres de l'entreprise. Les limites sont tout aussi claires : il ne traite que des enregistrements, pas la transcription en direct, et les questions-réponses sur enregistrements ont été entraînées surtout en anglais, donc les autres langues doivent d'abord être testées.
Le jeu de données est ouvert aussi, mais les scores sont à prendre avec prudence
Paru avec le modèle, Granary v2 couvre 463 062 heures de parole dans 48 langues grâce à un jeu de données ouvert et à une chaîne de curation, contre 25 langues pour la génération précédente. Les poids sont publiés sous licence OpenMDW-1.1, qui autorise l'usage commercial. NVIDIA affirme que le modèle arrive en tête des modèles à poids ouverts sur l'Open ASR Leaderboard de Hugging Face. C'est une affirmation du fournisseur : les méthodes des classements diffèrent, et le choix doit donc être validé sur ses propres enregistrements. Les modèles vocaux se succèdent rapidement, et la différence de Nemotron ne tient pas au nombre de paramètres, mais à son approche : un seul point de contrôle, personnalisable. Pour les équipes aux flux de travail fixes, comme les comptes rendus de réunion ou la transcription médicale, le coût d'un changement de modèle pèse souvent plus lourd que quelques points de classement supplémentaires.
